A Generative Adversarial based Approach for Continual Federated Learning with Non-IID Data
Notice bibliographique
Résumé
Federated learning trains a shared model across many clients without moving raw data, while continual learning learns a stream of tasks and mitigates catastrophic forgetting. Continual federated learning combines these goals but is challenged by non-IID label skew and forgetting under evolving client data. We propose GAN-CFL (Generative Adversarial Networks-based Continual Federated Learning) to tackle these challenges. GAN-CFL enables clients to learn from new data, without storing historical data, and effectively adapts to non-IID data distributions. GAN-CFL enhances data heterogeneity by generating synthetic data to augment real datasets and mitigates catastrophic forgetting across multiple clients by incorporating elastic weight consolidation algorithm. In this framework, the generator produces synthetic images, while the discriminator classifies both real and generated images. The trained discriminator is then used as a classifier on real data to provide accuracy metrics. The global model aggregates local weights from clients to optimize overall performance. We evaluate GAN-CFL on six datasets, MNIST, K-MNIST, Fashion-MNIST, EMNIST-letters, EMNIST-Balanced, and CIFAR-10 for experiments involving up to 100 clients. Our model is compared to a centralized learning method for ablation analysis. The results show that GAN-CFL outperforms existing methods in classification accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».